그래프 신경망 (GNNs)은 이웃 정보를 활용하기 위해 특성 전파와 변환을 반복적으로 수행하여 더 나은 표현을 학습하는 데 큰 성공을 거두었습니다. 그러나 반복적인 전파는 고층 이웃의 정보가 저층 이웃을 통해 전송되고 융합되는 것을 제한하므로, 서로 다른 층의 이웃 간에 피처 스무딩이 불가피하게 발생하며 이로 인해 성능이 저하될 수 있습니다. 특히, 이질적 네트워크에서는 더욱 그렇습니다. 또한 대부분의 깊은 GNNs는 고층 이웃의 중요성을 인식하지만, 서로 다른 층의 이웃 내에서의 다중 점프 의존성이 더 나은 표현을 학습하는 데 미치는 영향을 완전히 탐구하지 못하고 있습니다.본 연구에서는 먼저 서로 다른 층의 이웃 간 피처 스무딩을 이론적으로 분석하고, 다양한 층의 이웃에서 동질성 수준이 어떻게 변화하는지를 경험적으로 입증합니다. 이러한 분석에 착안하여, 우리는 서로 다른 층의 이웃 간 피처 스무딩을 완화하기 위해 트리 분해 방법을 제안합니다. 또한, 우리의 트리 분해 공식 내에서 그래프 확산을 통해 다중 점프 의존성을 특징화하여 트리 분해 그래프 신경망 (TDGNN)을 구축하였습니다. TDGNN은 큰 수용 필드에서 정보를 유연하게 통합할 수 있으며, 이를 다중 점프 의존성을 이용하여 집계할 수 있습니다.포괄적인 실험 결과는 노드 분류 설정이 다양할 때 TDGNN이 동질적 네트워크와 이질적 네트워크 모두에서 우수한 성능을 보임을 입증하였습니다. 광범위한 매개변수 분석은 TDGNN이 과도한 스무딩을 방지하고 얕은 층의 특성을 깊은 다중 점프 의존성과 함께 통합할 수 있는 능력을 강조하며, 이를 통해 깊은 그래프 신경망에 대한 새로운 통찰력을 제공합니다. TDGNN 코드: http://github.com/YuWVandy/TDGNN